进军万亿级AI制药赛道。

在生物学研究领域，一直流传着一种略带自嘲的说法：这门学科似乎缺乏属于自己的“第一性原理”，任何复杂的生命现象，追根溯源都能归结到物理和化学的框架内。人体由数万亿个细胞构成，每个细胞本身就是一个极其复杂的信息处理与传递系统，其复杂程度远超传统分析工具的解析能力。

然而，人工智能的兴起正悄然改变这一局面。那些过去根本无法建模的生物复杂性，如今正被海量数据和先进算法逐步逼近与刻画。“虚拟细胞”这一概念，也顺理成章地成为近年来生命科学与人工智能交叉领域最受瞩目的方向之一。

在全球范围内，顶尖科学家和科技巨头都在向这一方向投入资源。2024年诺贝尔化学奖得主、Google DeepMind的CEO Demis Hassabis多次公开表示，虚拟细胞是DeepMind未来研究的重中之重，目标是构建一个能在计算机中模拟完整细胞行为的人工智能系统，从而真正理解生命运作的底层逻辑。

与此同时，扎克伯格夫妇创办的Chan Zuckerberg Initiative也明确宣布，未来十年将投入数亿美元推进虚拟细胞研究，包括搭建开放的生物数据集和计算工具。近期，NVIDIA与CZI联手，提供AI算力与基础设施以加速虚拟细胞模型的落地与应用。这一布局的规模已经不容小觑。

国内方面，也开始涌现出早期探索者。华源智因最近完成了数千万元种子轮融资，由水木创投领投。创始人杜润诗毕业于UCLA计算机与经济学专业，大四辍学创业；CTO王艺璇是香港中文大学计算机系博士生，师从李煜教授，发表了包括Nature系列在内的十几篇论文，并主导了拿下2025年Virtual Cell Challenge冠军的模型。团队基础扎实，方向也十分明确。

虚拟细胞技术的前世今生

虚拟细胞这一概念其实并不算新。英文称为AI Virtual Cell（AIVC），其核心是利用人工智能构建数字化模型，模拟细胞状态并预测细胞行为。

人类对“数字细胞”的探索已走过了半个多世纪。上世纪60年代，分子生物学刚刚兴起，科学家便开始尝试用数学和计算模型描述细胞内部的信息传递。当时的思路较为朴素，主要基于生物化学和分子生物学已经发现的确定性规律——例如化学反应动力学，或将基因调控网络理解为一套“开关”系统。转录因子结合DNA，启动或关闭基因表达，进而影响蛋白质合成，引发后续一系列连锁反应。

因此，早期的数字细胞模型本质上是“规则模型”——完全依赖已知的生物学机制来构建。研究者通过搭建蛋白质相互作用网络、基因调控网络等方式，模拟细胞的运行过程。

不过，这类模型的局限性也十分明显：它严重依赖人工定义的生物学规则。系统一旦复杂起来，参数数量便呈指数级增长，模型根本无法覆盖真实生命系统的全部复杂度。因此，早期研究对象只能选择结构简单的，比如21世纪初国际上完成的支原体数字化模拟。支原体仅有几百个基因，是基因组最小的自由生存生物之一，非常适合用于验证数字细胞模型。研究人员能够模拟其部分代谢过程、蛋白表达和生命周期，但距离模拟人类细胞还相差甚远。所以在相当长一段时期内，数字细胞更多只是一个科学愿景，而非短期内可实现的技术路径。

直到近几年，局面才出现转机。单细胞测序、多组学等实验技术日益成熟，生命科学领域积累起了前所未有的大规模数据。与此同时，大模型展现出的强大拟合能力，也让科学界开始思考：或许可以放弃过去依赖人工构建规则的思路，转而采用数据驱动的方法学习细胞内部的复杂规律。

这一变化，与人工智能领域广为人知的Scaling Law有几分相似——模型越来越大、数据越积越多，模型便能逐渐掌握许多靠简单公式或人工规则无法描述的复杂模式。

对于生命科学而言，这意味着研究对象可以从简单生物拓展到更复杂的人体系统。人体有数十万亿个细胞，每个细胞不仅拥有大约两万个基因，内部还包含转录、蛋白表达、染色质开放状态、表观遗传修饰、代谢等多个信息层级。这些不同维度共同决定了细胞的功能，仅靠任何一个单一模态的数据都远远不足以完整描述细胞的真实状态。

因此，虚拟细胞并非仅仅为转录组建模，而是要整合多组学、生物通路、细胞间相互作用等多维信息，构建一个能够逼近真实细胞状态的大模型。

该模型的首要目标，是帮助研究人员理解生命系统本身。例如，同样携带某些基因突变，癌细胞与正常细胞之间的真正差异远不止于某个突变位点，而是整个调控网络、信号通路和细胞状态发生了系统性改变。虚拟细胞的目标，正是理解这种全局性变化，并进一步阐释这些变化如何一步步导致疾病发生。

理解机制之后，更重要的价值体现在预测能力上。如果模型能够准确模拟细胞状态，研究人员就可以提前预测某种药物、基因编辑或其他干预措施会对细胞产生何种影响。这样一来，大量依赖“试错”的实验过程将被节省，药物研发和疾病研究的效率将显著提升。这也正是虚拟细胞近年来成为人工智能与生命科学交叉领域核心方向的原因。

“为生命平权”而创新

杜润诗并非那种典型的AI制药创业者。他坦言，真正促使他走上创业道路的并非技术突破，而是家人长达十年的抗癌经历。治疗过程中，他接触过许多优秀的肿瘤医生，但不同医生给出的治疗方案却各不相同。“家人问我，到底该怎么选？”

当时的他无法给出答案。“我最害怕的是，如果最终是我替她做了决定，而结果不理想，我将无法面对自己。”这段经历让杜润诗开始思考：如果医学能像自动驾驶、天气预报那样，借助数据和人工智能预测不同治疗方案可能产生的结果，那么患者是否就不用再靠经验“赌一把”了？

正因如此，华源智因从创立之初就没有把自己定位成传统的AI制药公司。相较于为科研人员开发更好的算法，公司更希望建立一套能够模拟人体生命反应的虚拟细胞系统。其终极目标是帮助医生、药企甚至患者预测不同药物在不同个体中的真实反应，让精准医疗真正建立在数据之上，而非经验之上。在杜润诗看来，技术只是工具，真正要解决的是临床场景中的现实问题。

这一思路直接决定了公司的商业化路径。目前，大多数AI制药企业仍集中在药物发现环节——帮助药企筛选靶点、设计分子、优化候选药物。但杜润诗认为，这部分虽然技术门槛较高，却并非整个药物研发流程中价值最高的环节。一款创新药从研发到上市往往需要投入几十亿美元，药物发现仅是最前端的一小部分。即使人工智能能提升这一阶段的效率，其创造的商业价值也相对有限。真正决定一款创新药成败的，是临床阶段。无论是进入临床前判断一条管线是否值得继续推进，还是临床一期、二期、三期里筛选真正适合药物的患者，每一次决策都意味着数千万甚至数亿美元的成本。

与大多数AI制药公司首先切入药企研发流程不同，华源智因将商业化的起点放在了医院。杜润诗的逻辑很简单：虚拟细胞模型的能力，最终取决于是否拥有持续、高质量的真实人体数据。而这些数据并不在药企手中，而是沉淀在临床诊疗过程中。因此，公司选择了与国内多家头部三甲医院建立长期合作，通过患者样本检测、给药前后的配对数据采集、多模态测序等方式，持续积累真实世界数据，不断迭代模型。

在这种模式下，医院既是数据来源，也是模型验证的场景。合作医院越多、患者样本越丰富，模型能学到的疾病特征和药物反应就越丰富；模型能力提升后，又能反过来帮助医院进行药效评价、患者分层和临床研究，吸引更多医院加入合作。这正是公司希望构建的数据飞轮。

在此基础上，药企成为飞轮释放价值的一端。创新药研发最昂贵且失败率最高的环节往往就在临床阶段。一款药物是否值得推进、哪些患者最有可能获益，都需要大量真实人体数据来支撑。华源智因希望将医院端积累的数据能力转化为药企研发能力，为其提供药效预测、患者筛选和临床试验优化等服务，提高创新药研发效率。

这套商业逻辑已在海外得到验证。2024年，Tempus AI登陆纳斯达克。这家公司最早从肿瘤检测业务切入，通过持续积累患者的基因组、临床记录和影像数据，再用人工智能模型服务药企和医院，逐渐形成了“检测获取数据—数据训练模型—模型反哺诊疗—吸引更多数据”的飞轮。上市后增长迅猛，2025年第二季度营收同比增长约90%，市值一度突破百亿美元，被不少投资人称为“医疗界的Palantir”。

去年，美国虚拟细胞公司Tahoe Therapeutics完成了3000万美元融资，总融资额超过4200万美元。他们还开源了Tahoe-100M数据集，收录了超过1亿条细胞扰动数据，覆盖1000多种分子作用于不同癌细胞后的反应。对于虚拟细胞模型而言，这类“扰动数据”被认为是训练人工智能理解细胞行为的重要基础，也是国际竞争的核心资源之一。

在杜润诗看来，真正决定模型能力上限的，不只是算法，更是数据本身。“Scaling Law在生命科学同样成立，但前提是拥有真正正确的数据。”他认为，数据闭环一旦真正建立起来，虚拟细胞或许不仅会改变药物研发的方式，也有机会像今天的大模型一样，成为生命科学领域的新一代基础设施。

杜润诗表示，公司最核心的愿景不是打造一个人工智能工具，而是推动“生命平权”。尽管医学和人工智能已取得巨大进步，但面对癌症等重大疾病，许多家庭依然不得不在多个治疗方案之间“赌一把”。不同医生可能给出不同建议，而患者和家属往往缺乏足够的信息去判断哪一种方案更适合自己。

“我们希望把这种‘赌’变成‘算’。”杜润诗说，未来借助虚拟细胞技术，医生能够基于每位患者的真实生物学特征，对不同治疗方案进行预测，让精准治疗真正实现个体化。